Nous allons aborder la réalisation de graphique en 4 étapes :

1. Connaître les 4 systèmes graphiques

2. Les options de personnalisations

3. Les règles sémiologie graphique / bonnes pratiques

4. Utiliser des outils d’autres disciplines pour être plus efficace

• Base graphics : le plus simple à apprendre
  
• Grid graphics : ensemble de modules puissants pour construire d’autres outils
  
• Lattice graphics : système à caractère général basé sur Grid. logique trellis graphics (Cleveland)
  
• ggplot2 : basé sur “grammar of graphics”

En phase d’exploration

graphics::plot(ChickWeight)

En phase d’exploration

graphics::plot(ChickWeight$weight)

• boxplot
• mosaic plot

Les graphiques R de base peuvent être construits grâce à deux types de fonctions :

• fonctions de haut niveau
  • exemple :plot()
• fonctions de bas niveau
  • pour ajouter des caractéristiques au graphique
    
  • lines()
    
  • text()
  • points()

• Utilisée pour le facettage

par(mfrow = c(1,2))

Affichage :

• 1 ligne
  
• 2 colonnes

par(mfrow = c(2, 3))

bagplot() : exemples

Basé sur “Trellis graphics” (Cleveland)

source : Datacamp

But le plus important du package

• Réaliser des packages conditionnels
  • efficace pour détecter les sources de variabilité d’un phénomène
    
  • Comparaison entre différent sous-groupe de données

" - use high-level functions such as histogram(), xyplot() …
- optional arguments for common variants
- But it’s not possible to anticipate all variants
- Need some system to design next visualizations

"

Deepayan Sarkar

• Obligatoires
  • ~ x : premier argument
    
  • data : le dataset qui contient les variables
• Optionnels
  • certains sont communs à toutes les fonctions
    
  • certains sont spécifiques à certaines fonctions

On retrouve les graphiques usuels de Base

histogram( ~ wt, data = mtcars)

(nb : percent et pas freq)

Le package permet de créer des objets qui pourront être appelés.

tplot <- densityplot(~rate.male + rate.female,
                     data = USCancerRates, outer = T)

class(tplot)

## [1] "trellis"

tplot <- densityplot(~rate.male + rate.female | state,
                     data = USCancerRates, outer = T)
head(summary(tplot)[[2]])
##             
## state        rate.male rate.female
##   Alabama           67          67
##   Alaska            20          20
##   Arizona           15          15
##   Arkansas          75          75
##   California        57          57
##   Colorado          56          56

Il faut voir cet objet comme un array

tplot <- densityplot(~rate.male + rate.female | state,
                     data = USCancerRates, outer = T)
dim(tplot)
## [1] 49  2

On peut ensuite mettre à jour un argument grâce à la fonction update()

Pour réliser des visualisations, pas possible d’anticiper toutes les variantes. Par exemple, histogramme + kernel density en même temps

data(USCancerRates, package = "latticeExtra")
log.r.m <- log(USCancerRates$rate.male)
hist(log.r.m, freq = F)
lines(density(log.r.m,na.rm = T), col = "green")

Il faut créer une fonction panel

panel.histdens <- function(x, ...){
  panel.histogram(...)
  panel.lines(density(x,na.rm = T))
}

panel.histdens <- function(x, ...){
  panel.histogram(x,...)
  panel.lines(density(x,na.rm = T))
}

histogram(~rate.female + rate.male, USCancerRates,
          type = "density", layout = c(1,2),
          panel = panel.histdens)

Pourquoi il est intéressant de connaître la synthaxe de ce package ?

• basé sur “the grammar of graphics”
  
• écosystème riche : beaucoup de packages reprennent la logique de ggplot2
  
• un package du tidyverse

• Le package ggplot2 permet la réalisation de graphiques directement à partir d’un fichier détail, d’un fichier détail pondéré, ou de données agrégées
  • On initialise un graphique
  • On y ajoute des calques

• scales : l’échelle des axes (linéaire, logarithmique, à l’envers), les couleurs de remplissage
  
• ggtitle(" ") : ajoute un titre principal au graphique
  
• xlab(" ") : change le libellé des abscisses
  
• ylab(" ") : change le libellé des ordonnées
  
• labs( title = " “, x =” “, y =” ") : modifie titre principal, libellé des abscisses, libellé des ordonnées en une seule fonction
  
• etc.

1. J’initialise mon graphique
   • Deux fonctions pour le faire : qplot() et ggplot()
2. Chaque élément s’ajoute à un autre par le symbole +

library(ggplot2)
ggplot(data = mtcars)+
  geom_point(mapping = aes(x = mpg, y = hp))

Idéale lors des phases exploratoires

Le package esquisse

install.packages("esquisse")
library(esquisse)

Site GitHub DreamRs

https://www.dreamrs.fr/

library(corrplot)

correlation <- cor(mtcars)
# Fonction du package corrplot
corrplot(correlation,method = "ellipse")

1. Une communauté riche
   • ROpenSci
     
   • Communauté Slack Grrr
   • Ressources en français : frrrenchies
   • etc.
2. Regarder ce que font d’autres acteurs de la visualisation de la donnée
   • UI/UX design
     
   • Webdesign
     
   • Cartographie / géomatique
     
   • etc.

From Data to Viz

Un article intéressant : Interview C.Bontemps

• Permet de rendre un graphique ggplot2 interactif.

• Peut être utilisé seul pour des options de customisation plus avancée

• Un site pour trouver des bons exemples pour débuter

library(dplyr)
mtcars %>% 
  ggplot(aes(x = mpg, y = disp, color = factor(cyl))) +   geom_point() 

• statiques
• interactifs
• dynamiques / animés

Cartographie

(https://neocarto.hypotheses.org/1458)

Autres ressources

(https://coolors.co/) générateur de palette de couleur (http://chir.ag/projects/name-that-color/#ED616A) nommer la couleur
(http://colorbrewer2.org/#type=sequential&scheme=BuGn&n=3) site ColorBrewer

(https://flatuicolors.com/) Choisir une couleur

• Déclaratives
  • On fournit un ensemble de spécifications
    
  • Le système décide comment respecter au mieux ces demandes
  • C’est l’approche utilisée par ggplot2
• Procéral ou algorithmique
  • On fournit un ensemble d’instructions
    
  • Elles sont exécutés de manière séquentielle
  • C’est l’approche base R graphics et lattice

Exemples de datavisualisation

Exemples originaux de dataviz et musique